Comment automatiser la segmentation RFM

Qu'est-ce que l'analyse RFM ?

RFM est une technique de segmentation client basée sur les données qui permet aux spécialistes du marketing de prendre des décisions tactiques. Elle permet d'identifier et segmenter rapidement les utilisateurs en groupes homogènes et de les cibler avec des stratégies de marketing différenciées et personnalisées, améliorant ainsi l'engagement et la fidélisation des utilisateurs.

La segmentation RFM est l'une des méthodes populaires et efficaces utilisées pour analyser le comportement des clients RFM signifie Récence, Fréquence et Valeur Monétaire, et chaque facteur correspond à une caractéristique clé du client. Ces mesures RFM peuvent indiquer des activités frauduleuses car des achats fréquents et une valeur monétaire élevée pourraient suggérer des transactions suspectes.

Pour les entreprises qui n'ont pas de chiffres financiers, des signes d'engagement comme le taux de rebond, le temps de visite, et le temps passé par page peuvent aider à repérer les trucs louches. Cela mène à une version différente de la RFM appelée RFE, où le signe d'engagement est une valeur mixte basée sur ces mesures.

Les points suivants illustrent comment l'analyse RFM peut être utilisée pour identifier les schémas de comportement des clients :

• Achats récents : les clients qui effectuent des achats récents sont plus susceptibles de réagir aux promotions.
• Fréquence des achats : les clients qui achètent fréquemment des produits sont plus engagés et satisfaits.
• Valeur monétaire : la valeur monétaire des achats peut distinguer les gros dépensiers des acheteurs à faible valeur.

Mise en œuvre de la segmentation des clients avec l'analyse RFM

Les spécialistes du marketing utilisent l'analyse RFM pour répondre à ces questions :

• Qui sont les meilleurs clients ?
• Quels clients pourraient partir ?
• Qui pourrait être des clients précieux ?
• Quels clients peuvent être conservés ?
• Qui est le plus susceptible de répondre aux campagnes ?

La segmentation RFM se fait sur des données transactionnelles , que vos données viennent de Shopify , Woocommerce , Fastmag , SAP , Prestashop ou autre ERP , vous pouvez mettre en place une segmentation RFM. Chez Hanalytics, nous automatisons et historisons cette analyse pour nos clients tous les mois. L’idée est de pouvoir analyser tous les mois les évolutions de volumes de chaque segment versus les mois précédents. Ceci permet par exemple de voir si dans le temps le volume de clients identifés comme des champions évoluent à la hausse , à la baisse ou encore baisse.

La requête suivante permet d'automatiser les calculs de score :

‍

Les scores sont ensuites consolidés pour créer des segments =>

‍

La donnée peut être ensuite connectée à une visualisation pour apprécier les volumes (par segment et par localisation des clients) et mettre en place les différentes stratégies de rétention et de fidélisation pour récompenser vos tops clients et ré-assurer les clients hésitants.

Ces segments peuvent également être mis à la disposition des outils d'activation ( Facebook, Adwords, etc ) pour être plus précis dans le ciblage et adresser le bon message à la bonne audience.

‍

Comment utiliser les scores RFM

Lors de l'analyse du comportement d'achat des clients, les scores RFM (Récence, Fréquence, Monétaire) sont souvent utilisés pour segmenter les clients en différentes catégories en fonction de leurs habitudes de dépenses. Cependant, la question se pose : "Est-il juste de calculer une moyenne des scores individuels de R, F et M pour chaque client et de les assigner à un segment RFM en fonction de leur comportement d'achat ou d'engagement ?"

Selon la nature de votre entreprise, vous devrez peut-être augmenter ou diminuer l'importance de chaque variable RFM pour obtenir le score final. Par exemple :

• Dans une entreprise de biens durables à la consommation, la valeur monétaire par transaction est normalement élevée, mais la fréquence et la récence sont faibles. Dans ce cas, les spécialistes du marketing pourraient accorder plus d'importance aux aspects monétaires et de récence plutôt qu'à l'aspect de fréquence.
• Dans une entreprise de vente au détail de mode/cosmétiques, un client qui recherche et achète des produits chaque mois aura un score de récence et de fréquence plus élevé que le score monétaire. En conséquence, le score RFM pourrait être calculé en accordant plus d'importance aux scores R et F qu'au score M.
• Pour les applications de contenu comme Hotstar ou Netflix, un spectateur assidu aura une durée de session plus longue qu'un consommateur régulier. Pour les spectateurs assidus, l'engagement et la fréquence pourraient être accordés plus d'importance que la récence, et pour les consommateurs réguliers, la récence et la fréquence peuvent être pondérées plus lourdement que l'engagement pour obtenir le score RFE.

Cette approche simple de l'échelle des clients de 1 à 5 donnera au maximum 125 scores RFM différents (5x5x5), allant de 111 (le plus bas) à 555 (le plus élevé). Cependant, il est difficile pour les spécialistes du marketing d'analyser individuellement les 125 segments, et il est difficile de visualiser ce cube 3D imaginaire. Par conséquent, l'aspect monétaire de la RFM est considéré comme une mesure d'agrégation pour résumer les transactions ou la durée de visite agrégée, et ces 125 segments RFM sont réduits à 25 segments en utilisant uniquement les scores R et F.

Modèle RFM - Une étude de cas

Une agence de marketing utilise les scores de récence et de fréquence pour analyser le comportement des clients. Les scores sont affichés sur un graphique 2D pour faciliter la compréhension des utilisateurs. Certains segments ont été regroupés au lieu d'en créer 25 pour simplifier les résultats.

La grille RFM ci-dessus fournit les informations suivantes pour chaque segment :

• Description du segment
• Récence (dernière activité)
• Fréquence (nombre d'activités)
• Valeur monétaire moyenne
• Accessibilité des utilisateurs sur différents canaux

Pour comprendre le comportement des utilisateurs et recommander des stratégies marketing efficaces, nous devons interpréter les segments RFM. Voici quelques segments intéressants :

• Champions : Vos meilleurs clients, qui effectuent des achats récents, fréquents et de grande valeur. Récompensez leur fidélité pour qu'ils deviennent des premiers adoptants de nouveaux produits et promeuvent votre marque.
• Potentiels fidèles : Clients récents avec une fréquence moyenne d'achats et un montant dépensé important. Encouragez-les à devenir des fidèles ou des champions en leur offrant une adhésion ou des programmes de fidélité, ou en leur recommandant des produits connexes.
• Nouveaux clients : Clients avec un score RFM global élevé mais peu fréquents. Établissez une relation avec eux en fournissant un support de mise en service et des offres spéciales pour augmenter leurs visites.
• Clients à risque : Clients qui ont acheté fréquemment par le passé mais n'ont pas acheté récemment. Renouez avec eux en envoyant des campagnes de réactivation personnalisées et en proposant des renouvellements et des produits utiles.
• Impossible de les perdre : Clients qui visitaient et achetaient fréquemment mais ne visitent plus récemment. Ramenez-les avec des promotions pertinentes et des enquêtes pour découvrir ce qui n'a pas fonctionné.

Voici quelques études de cas sur l'utilisation de l'analyse RFM pour détecter les fraudes dans le marketing :

Étude de cas 1 : Détection des commandes frauduleuses avec l'analyse RFM

• Une entreprise a utilisé l'analyse RFM pour identifier les commandes frauduleuses sur sa plateforme de commerce électronique.
• Des clients avec des scores élevés dans les trois catégories RFM ont été identifiés : achat récent, fréquence élevée et valeur monétaire élevée.
• Certains clients effectuaient plusieurs achats importants dans un court laps de temps, ce qui indiquait un comportement inhabituel.
• L'analyse a révélé que certains clients utilisaient des cartes de crédit volées pour leurs achats.
• L'entreprise a utilisé l'analyse RFM pour prévenir les commandes frauduleuses et protéger ses revenus.

Étude de cas 2 : Comportements suspects avec les métriques RFM

• Une entreprise a utilisé l'analyse RFM pour identifier des comportements suspects chez ses clients.
• Certains clients avec des scores élevés dans les trois métriques RFM ont effectué des achats à des heures ou dans des lieux inhabituels.
• Certains clients ont utilisé des VPN ou des proxys pour masquer leur identité ou leur emplacement réel.
• L'analyse de l'historique des commandes et des adresses IP de ces clients a révélé des activités frauduleuses, comme la création de faux comptes pour manipuler le système.
• L'entreprise a pris des mesures contre ces comptes suspects, évitant ainsi de nouvelles activités frauduleuses.

Étude de cas 3 : Prévention de la fraude aux coupons avec la segmentation RFM

• Une entreprise de vente au détail a utilisé la segmentation RFM pour prévenir la fraude aux coupons dans ses campagnes marketing.
• Ils ont segmenté les clients en fonction de leurs scores RFM et ont proposé des réductions ciblées à chaque groupe.
• Ils ont découvert que certains clients utilisaient des coupons falsifiés ou dupliqués pour obtenir des réductions.
• L'analyse des scores RFM de ces clients a révélé des scores faibles dans les trois catégories.
• L'entreprise a limité les réductions aux clients ayant des scores RFM élevés, récompensant ainsi leurs clients fidèles et de grande valeur tout en prévenant la fraude aux coupons.

L'analyse RFM est une technique de segmentation des clients qui utilise des données pour aider les spécialistes du marketing à prendre des décisions précises. En identifiant des groupes homogènes de clients, les experts du marketing peuvent créer des stratégies marketing personnalisées pour améliorer l'engagement et la fidélisation.

‍